标签
该论文提出了一个决策框架,用于预测在存在标签延迟和概念漂移的不平衡数据流中,流式过采样何时能比持续重新评估带来额外价值,并在合成和真实数据流上使用15种分类器进行了评估。
本文提出在CABiGRU时序架构上先使用扩散模型生成的传感器窗口进行预训练,再基于真实DEO智能手表数据进行微调,以改善对代表性不足的饮食类活动的识别,实现90.6%的平衡准确率。该方法表明,与SMOTE/GAN数据增强相比,基于扩散模型的合成数据能更好地保留多元时序结构,从而有效应对人类活动识别中的类别不平衡问题。
D-FROST引入了一种使用最优传输的去中心化联邦提示调优算法,以解决非IID和不平衡数据带来的挑战,确保基础模型的收敛性和有效性。
本研究开发了一个破产预测框架,结合混合重采样、堆叠集成和可解释人工智能,以增强不平衡金融数据中少数类的检测。结果显示,GRU与SMOTE-ENN的组合表现最佳,而SHAP分析用于识别关键的破产风险预测因子。
本文研究了人工智能和机器学习算法在识别欺诈性银行交易中的应用,提出了预处理技术并比较了多种模型。人工神经网络和堆叠泛化方法取得了更高的AUC分数,最佳结果约为0.954。
本文研究了不平衡表格数据上的深度聚类方法,提出了两种新颖的集成方法,分别通过跨嵌入维度聚合聚类分配或通过多数投票进行集成,在16个数据集上优于单个方法。
本文引入了一种依赖感知的保真度诊断方法,用于测量合成表格数据中的列间依赖关系,揭示了标准指标对依赖关系视而不见,当前的生成器存在一个残余差距,无法通过增加容量或常见修复来弥补。
提出了K-IPO,一种先生成后选择的过采样框架,在增强不平衡表格数据时保留原始数据的特征重要性排序(以肯德尔τ系数衡量),在20个数据集上展现出更优的重要性保持、解释一致性和预测性能。